5G Edge Computing Access Node Selection Algorithm Based on Energy Efficiency and Delay

Hu, Wenjian; Guo, Siyan; He, Liping; Wang, Lin; Yuan, Yubao

doi:10.1155/2022/4491961

Cited by 2 publications

(9 citation statements)

References 21 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…MEC [5,33,34] provides an IT service environment and cloud-computing capabilities at the edge of the network within the (radio) access network ((R)AN) and in close proximity to subscribers [33]. The ETSI ISG on MEC produces standards and norms regarding MEC use cases, reference architecture, requirements, and so on.…”

Section: Multi-access Edge Computingmentioning

confidence: 99%

“…Some distinctive features of MEC are low latency, high bandwidth, proximity, location awareness, and real-time insights in radio network information [33]. These characteristics make MEC appealing for network operators and service providers.…”

Section: Multi-access Edge Computingmentioning

confidence: 99%

“…MEC is recognized as a key 5G technology that complements NFV, enables innovative services, optimizes network performance, and creates new business opportunities [33]. MEC will likely help satisfy 5G requirements for expected throughput, latency, scalability, availability, and automation [4].…”

Section: Multi-access Edge Computingmentioning

confidence: 99%

“…The sets of available candidates and UPFs at the current level (N l c and S l u ), as well as UPF service areas (S l sa ) and available capacity are then updated (line: 24). The final part of the improvement procedure is executed when a reduction in the number of relocations among main UPFs is desired (lines: [25][26][27][28][29][30][31][32][33][34][35][36]. To this aim, the mapped access nodes are analyzed to find better UPFs in terms of relocation avoidance.…”

Section: Heuristic: Near-optimal Upf Placementmentioning

confidence: 99%

“…At each iteration of the main loop, the best candidate for each ANN is determined, and the overall number of relocations that the remap will produce is computed (lines: [28][29][30][31][32]. Once all access nodes have been assessed, the remap with the lowest relocations is applied if any (lines: [33][34][35]. The previous step implies a readjustment of the UPF service areas and available capacities.…”

Section: Heuristic: Near-optimal Upf Placementmentioning

confidence: 99%

See 4 more Smart Citations

Strategies for UPF placement in 5G and beyond networks

Leyva Pupo

View full text Add to dashboard Cite

(English) This doctoral thesis focuses on the design of strategies (i.e., exact and heuristic-based methods) to optimize the placement and reconfiguration of user plane functions (UPFs) in 5G and beyond networks. These solutions seek to ensure QoS satisfaction while reducing the expenditures associated with deploying and operating 5G services. To this end, we study the UPF placement problem (UPP) using three lines of research: static placement, dynamic placement, and reconfiguration scheduling. For each, we consider PDU service requests composed of single or multiple UPF instances. For static UPF placement, we envision several solutions that aim to minimize expenditures related to the deployment and operation of UPFs while fulfilling service requirements. First, we address the case in which all UPF functionalities are centralized in a single instance. Then, we extend the problem to include more complex service topologies (i.e., single- and multiple-branch service function chains [SFC]), which we refer to as the UPF placement and chaining (UPC) problem. For the centralized UPF functionalities, we conceive two integer linear programming (ILP) models and a heuristic algorithm. These solutions contemplate several aspects of the system, such as node available capacities and service requirements for latency, reliability, and mobility. Then, we propose an ILP and two approximated solutions (i.e., a heuristic and a simulated annealing-based metaheuristic) to address the UPC problem. These solutions consider additional aspects of the UPP, such as UPF-specific requirements, virtual network function (VNF) order in the service chains, and routing paths. The heuristic-based strategies combine various mechanisms to enhance their performance. Specifically, the heuristic algorithm reduces SFC rejections and provisioning costs by considering service demands, available resources, and the effects of VNF mapping decisions on the VNFs forming the service chain. The envisioned metaheuristic approach incorporates several mechanisms, such as restart-stop and variable Markov chain length, that reduce its solution time and improve the solution’s quality. Different approaches are adopted to address the dynamic UPF placement and session-mapping reconfiguration problem. We conceive two exact solutions and a heuristic algorithm to determine the best reconfiguration setup. Their primary goal is to minimize expenditures associated with the service operation and reconfiguration procedure and guarantee satisfaction with the service requirements. Therefore, these approaches consider multiple cost components (e.g., server activation, VNF deployment, and migration) and system specificities (e.g., node available capacity). The proposed heuristic aims to enhance the problem’s solution efficiency in online scenarios by incorporating two strategies: partial unmapping of SFCRs and an improvement phase. Furthermore, three scheduling mechanisms are provided to determine the best time to readjust the UPF placement and session-mapping configuration to cope with latency violations produced by user mobility. More specifically, we design two optimal stopping theory-based schedulers and a machine learning-based framework to anticipate poor QoS events and proactively trigger reconfiguration procedures. These scheduling solutions make reconfiguration decisions based on historical system data (e.g., system QoS), current QoS values, and a pre-established tolerance threshold. Extensive simulation results validate the applicability and efficiency of the proposed solutions. Overall, the heuristic-based approaches provide near-optimal results with significantly lower execution times than the mathematical models. Moreover, the conceived scheduling methods display outstanding performance, reducing the number of reconfiguration events and maintaining the QoS of the system under desirable levels for nearly the entire simulation. (Español) Esta tesis doctoral se centra en el diseño de estrategias (métodos exactos y heurísticas) para optimizar la ubicación y reconfiguración de las funciones del plano de usuario (UPFs) en redes 5G. Estas soluciones pretenden garantizar la satisfacción de los requerimientos de QoS y reducir los gastos asociados al despliegue y operación de los servicios 5G. Para ello, estudiamos el problema de ubicación de UPFs (UPP) utilizando tres líneas de investigación: ubicación estática, ubicación dinámica y planificación de la reconfiguración. Para cada una de ellas, consideramos solicitudes de servicio PDU compuestas por una o varias instancias de UPFs. Para la ubicación estática de los UPF, proponemos varias soluciones que tienen como objetivo minimizar los gastos relacionados con el despliegue y el funcionamiento de los UPF, al tiempo que se cumplen los requisitos de servicio. En primer lugar, tratamos el caso en el que todas las funcionalidades del UPF están centralizadas en una única instancia. A continuación, ampliamos el problema para incluir topologías de servicio más complejas (cadenas de funciones de servicio [SFC] con una o más ramas), que denominamos problema de ubicación y encadenamiento de UPF (UPC). Para las funcionalidades centralizadas de los UPFs, presentamo dos modelos de programación lineal entera (ILP) y una heurística. Estas soluciones contemplan varios aspectos del sistema, como las capacidades disponibles de los nodos y los requisitos de servicio de latencia, fiabilidad y movilidad. A continuación, proponemos una ILP y dos soluciones aproximadas (una heurística y una metaheurística basada en simulated annealing) para abordar el problema de la UPC. Estas soluciones consideran aspectos adicionales del UPP, como los requisitos específicos de las UPFs, el orden de las funciones de red virtuales (VNF) en las cadenas de servicio y el enrutamiento. Las estrategias basadas en heurísticas combinan varios mecanismos para mejorar su rendimiento. En concreto, el algoritmo heurístico reduce los rechazos de SFC y los costes de aprovisionamiento teniendo en cuenta las demandas de servicio, los recursos disponibles y los efectos de las decisiones de mapeo de VNF en las VNFs que forman la cadena. El enfoque metaheurístico previsto incorpora varios mecanismos, como reiniciar-detener y longitud variable de la cadena de Markov, que reducen el tiempo de solución y mejoran la calidad de la misma. Se adoptan diferentes enfoques para abordar el problema de la reconfiguración dinámica del mapeo de sesiones y de la ubicación de los UPFs. Proponemos dos soluciones exactas y un algoritmo heurístico para determinar la mejor configuración de reconfiguración. Su objetivo principal es minimizar los gastos asociados al funcionamiento del servicio y al procedimiento de reconfiguración y garantizar la satisfacción de los requisitos del servicio. Por lo tanto, estos enfoques tienen en cuenta múltiples componentes de coste (p. ej., la activación de servidores, el despliegue y migraciónde VNFs) y las especificidades del sistema (p. ej., capacidad disponible en los nodos). La heurística propuesta tiene como objetivo mejorar la eficiencia de la solución del problema en escenarios en línea mediante la incorporación de dos estrategias: desmapeo parcial de SFCR y una fase de mejora. Además, se proporcionan tres mecanismos de planificación para determinar el mejor momento para reajustar la configuración de la ubicación de las UPFs y el mapeo de sesiones para hacer frente a las violaciones de latencia producidas por la movilidad de los usuarios. Más concretamente, diseñamos dos planificadores basados en la teoría de detención óptima y un marco basado en ML para anticipar eventos con QoS deficiente y activar procedimientos de reconfiguración de manera proactiva. Estas soluciones toman decisiones de reconfiguración basadas en datos históricos del sistema (p. ej., QoS del sistema), valores de QoS actuales y un umbral de tolerancia preestablecido.

show abstract